基于密集神經(jīng)網(wǎng)絡(luò)的肺結(jié)節(jié)假陽性篩查模型

楊靖祎 ，張翠肖 ，戴 健，郝杰輝，王 森

(1.石家莊鐵道大學(xué) 信息科學(xué)與技術(shù)學(xué)院，河北 石家莊 050043；2.河北醫(yī)科大學(xué)第二醫(yī)院 信息中心，河北 石家莊 050000)

0 引 言

肺癌是全球發(fā)病率和死亡率最高的惡性腫瘤[1]，早期對(duì)肺結(jié)節(jié)的診斷與治療可預(yù)防肺癌的進(jìn)展、延長患者的生存期[2]。傳統(tǒng)的檢測方法，主要通過影像科醫(yī)生閱讀CT圖像，尋找可疑的結(jié)節(jié)病灶，但是一組CT圖像有上百張切片，這種人工的檢測方法不僅工作量巨大，而且嚴(yán)重依賴于醫(yī)生水平。因此眾多計(jì)算機(jī)科學(xué)家提出了計(jì)算機(jī)輔助檢測系統(tǒng)(computer aided diagnosis，CAD)，用于幫助影像科醫(yī)生檢測肺結(jié)節(jié)[3]。

傳統(tǒng)的CAD系統(tǒng)普遍遵循兩階段：候選結(jié)節(jié)檢測和假陽性篩查。假陽性篩查是從形狀、位置、梯度和紋理特征及上下文信息組合進(jìn)行分析[4]，該階段是結(jié)節(jié)檢測的關(guān)鍵部分。李慶玲使用最近鄰算法進(jìn)行候選結(jié)節(jié)篩查，取得了94.88%的準(zhǔn)確率[5]。Torres使用前饋神經(jīng)網(wǎng)絡(luò)對(duì)候選結(jié)節(jié)進(jìn)行檢測，平均每個(gè)掃描假陽性個(gè)數(shù)為8.0，敏感性為80.0%[6]。Pulagam從候選結(jié)節(jié)中提取二維和三維特征并利用SVM算法進(jìn)行假陽性篩查，該算法在測試集上敏感度為94.3%，每個(gè)掃描假陽性個(gè)數(shù)僅為2.6[7]。但是，這些算法都是以一些簡單的先驗(yàn)知識(shí)為基礎(chǔ)，從形狀、位置、梯度和紋理等特征進(jìn)行分析[4]，或者采用傳統(tǒng)的機(jī)器學(xué)習(xí)方法，算法整體流程繁瑣、局限性強(qiáng)。

近些年，隨著計(jì)算機(jī)運(yùn)算能力的顯著提升以及深度學(xué)習(xí)技術(shù)的迅速發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)在醫(yī)學(xué)圖像識(shí)別領(lǐng)域取得了極大的成功。卷積神經(jīng)網(wǎng)絡(luò)以圖像特征的識(shí)別和分類訓(xùn)練模型，并利用準(zhǔn)確率等評(píng)價(jià)標(biāo)準(zhǔn)進(jìn)行反向指導(dǎo)特征的提取，從而實(shí)現(xiàn)端到端的映射學(xué)習(xí)。Liu等[8]通過提取肺實(shí)質(zhì)區(qū)域、獲取候選結(jié)節(jié)、特征的提取和訓(xùn)練以及結(jié)節(jié)分類作為基本流程進(jìn)行結(jié)節(jié)檢測。高慧明等[9]提出一種基于多尺度卷積神經(jīng)網(wǎng)絡(luò)的肺結(jié)節(jié)假陽性篩查方法，將每個(gè)候選結(jié)節(jié)輸入到不同尺度的網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，融合三個(gè)模型的輸出結(jié)果獲取最終的分類。尤堃等[10]提出了一種基于殘差網(wǎng)絡(luò)的肺結(jié)節(jié)假陽性篩查模型，通過使用單連接路徑重復(fù)利用特征并重組特征的方法進(jìn)行假陽性篩查。劉一鳴等[11]設(shè)計(jì)了一個(gè)161層的深度神經(jīng)網(wǎng)絡(luò)，對(duì)經(jīng)過精細(xì)預(yù)處理的2D結(jié)節(jié)圖像進(jìn)行訓(xùn)練，取得了92.3%的準(zhǔn)確率。上述方法利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行肺結(jié)節(jié)檢測識(shí)別，其模型性能遠(yuǎn)強(qiáng)于傳統(tǒng)的檢測方法。

該文設(shè)計(jì)了一種基于密集神經(jīng)網(wǎng)絡(luò)的肺結(jié)節(jié)假陽性篩查模型，在以結(jié)節(jié)為中心的64*64的圖像區(qū)域上訓(xùn)練網(wǎng)絡(luò)，學(xué)習(xí)結(jié)節(jié)特征。

1 密集神經(jīng)網(wǎng)絡(luò)

隨著CNN層數(shù)的增加，模型識(shí)別準(zhǔn)確率有所提高，但是梯度消失問題亦愈發(fā)嚴(yán)重，模型的訓(xùn)練難度隨之增大。為了解決該問題，何凱明等在CNN中加入了殘差單元，通過殘差路徑可以有效地解決梯度在反向傳播中隨著網(wǎng)絡(luò)層數(shù)的增加而消失的問題，提高優(yōu)化率和訓(xùn)練速度[12]。但是殘差網(wǎng)絡(luò)以及傳統(tǒng)的深度神經(jīng)網(wǎng)絡(luò)，每一層的特征只使用了一次，較低的特征重用率使得網(wǎng)絡(luò)的學(xué)習(xí)效率提升困難。2017年的CVPR上，Huang等[13]提出了一種密集連接的網(wǎng)絡(luò)模型-密集神經(jīng)網(wǎng)絡(luò)(DenseNet)，模型創(chuàng)新性地提出了稠密塊(Dense Block)和傳遞層(Transition Layer)。在稠密塊中，每層網(wǎng)絡(luò)均由密集連接組成，使得每層學(xué)習(xí)到的特征都可以被后面任一層利用。以第L層為例，其公式如式(1)所示。XL為第L層的輸出特征圖，函數(shù)HL由批標(biāo)準(zhǔn)化、ReLU和3*3的卷積組成。第L層的輸入[X0,X1,…,XL-1]由第0層至第L-1層網(wǎng)絡(luò)的輸出在通道維度上進(jìn)行拼接組成，如果K0為輸入層的維度，則第L層的維數(shù)為K0+K*(L-1)，其中K為超參數(shù)-增長率。稠密塊雖然強(qiáng)化了特征的傳遞，但是由于其通道維度的拼接，導(dǎo)致每個(gè)稠密塊結(jié)束后的輸出特征圖的channel很大，使得網(wǎng)絡(luò)的參數(shù)冗余。因此，在每個(gè)稠密塊之間添加1*1的卷積作為傳遞層，降低參數(shù)冗余。

XL=HL([X0,X1,…,XL-1])

(1)

2 基于密集神經(jīng)網(wǎng)絡(luò)的結(jié)節(jié)假陽性篩查模型

2.1 算法流程

根據(jù)胸部CT影像的特點(diǎn)，以密集神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，構(gòu)建了肺結(jié)節(jié)假陽性篩查模型。算法主要包括4個(gè)步驟：(1)數(shù)據(jù)預(yù)處理。對(duì)LIDC數(shù)據(jù)集，選取候選數(shù)據(jù)，并利用圖像學(xué)方法提取肺區(qū)；(2)以結(jié)節(jié)區(qū)域?yàn)橹行模厝?4*64的圖像作為正樣本輸入數(shù)據(jù)，劃分?jǐn)?shù)據(jù)集，并對(duì)正樣本進(jìn)行數(shù)據(jù)增廣；(3)構(gòu)建網(wǎng)絡(luò)模型，進(jìn)行模型訓(xùn)練、參數(shù)的調(diào)整；(4)對(duì)訓(xùn)練好的模型在測試集上進(jìn)行測試，并根據(jù)評(píng)價(jià)指標(biāo)對(duì)模型進(jìn)行評(píng)估。算法流程如圖1所示。

圖1 算法流程

2.2 網(wǎng)絡(luò)結(jié)構(gòu)

該文提出的結(jié)節(jié)假陽性篩查模型由輸入層、卷積層、池化層、稠密塊、傳遞層和全連接層組成，其網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。輸入層是經(jīng)預(yù)處理后的64*64的結(jié)節(jié)圖像，首先通過一個(gè)具有7*7卷積核的卷積層和一個(gè)3*3的最大池化層，再依次經(jīng)過稠密塊和傳遞層，最后通過全連接層進(jìn)行預(yù)測結(jié)果的輸出。稠密塊由BN層、ReLU激活函數(shù)、1*1卷積、BN層、ReLU、3*3卷積和dropout順序組成，其結(jié)構(gòu)如圖3所示。傳遞層由BN層、ReLU、1*1卷積和2*2的平均池化層組成。

圖2 網(wǎng)絡(luò)結(jié)構(gòu)

圖3 稠密塊中的一層網(wǎng)絡(luò)結(jié)構(gòu)

2.3 參數(shù)設(shè)置

卷積層Conv中使用7*7的卷積，步長為2。模型的增長率K設(shè)置為24，Conv產(chǎn)生2K個(gè)特征映射，其余所有層產(chǎn)生4K個(gè)特征映射。池化層Pooling layer采用3*3的最大池化操作(Max Pooling 3*3)，步長設(shè)置為2。稠密塊DB_1中包含6個(gè)卷積組合操作(Conv1*1+Conv3*3),步長均為1。稠密塊DB_2中包含12個(gè)卷積核操作(Conv1*1+Conv3*3)，步長設(shè)置為1。稠密塊DB_3中包含24個(gè)卷積組合操作(Conv1*1+Conv3*3)，步長為1。傳遞層TL_1和傳遞層TL_2由卷積和池化組合操作(Conv1*1+AVG Pooling)組成，卷積操作步長為1，平均池化操作步長為2。模型的最后一層是全連接層，使用Sigmoid作為激活函數(shù)。該模型共有參數(shù)2 444 813個(gè)，模型設(shè)置細(xì)節(jié)如表1所示。

表1 模型參數(shù)設(shè)置

3 實(shí)驗(yàn)及結(jié)果分析

該文使用公開的數(shù)據(jù)集LIDC，選取層厚小于等于2.5 mm的共888組CT圖像；選取3位及以上專家共同標(biāo)注的直徑大于等于3 mm的結(jié)節(jié)共計(jì)1 186個(gè)。

3.1 數(shù)據(jù)預(yù)處理

肺結(jié)節(jié)只存在于肺實(shí)質(zhì)中，模型訓(xùn)練前需要對(duì)圖像進(jìn)行預(yù)處理，旨在縮小算法的問題空間，減少無關(guān)信息對(duì)模型的干擾。CT的單位是HU(Hounsfiled Unit)，代表了人體不同組織對(duì)X射線的衰減系數(shù)的相對(duì)值。數(shù)據(jù)集存儲(chǔ)的是圖像的像素值，該文利用DICOM圖像的像素值與HU值之間的轉(zhuǎn)換公式，對(duì)數(shù)據(jù)進(jìn)行HU值轉(zhuǎn)換，如式(2)所示。

HU=RescaleSlope*PixelArray+RescaleIntercept

(2)

其中，PixelArray為像素的灰度值，RescaleSlope為縮放斜率，RescaleIntercept為截取。

人體的HU值范圍在-1 000 ～+1 000 HU。肺區(qū)的HU值為-900～-500。為了減少實(shí)驗(yàn)過程中肺區(qū)的損失，以-350 HU作為閾值，對(duì)CT圖像進(jìn)行肺區(qū)分割。由于胸膜粘連的結(jié)節(jié)與胸膜在灰度級(jí)上近似，導(dǎo)致閾值法分割時(shí)出現(xiàn)肺區(qū)邊界凹陷，如圖4(a)所示。對(duì)閾值分割后的圖像，采用形態(tài)學(xué)閉運(yùn)算修補(bǔ)肺區(qū)凹陷，再進(jìn)行孔洞填充，完成肺區(qū)的分割，如圖4所示。

圖4 肺區(qū)分割

使用閾值截?cái)喾╗14]，對(duì)肺區(qū)分割后的圖像CT值大于400 HU的置為400，CT值小于-1 000 HU的置為-1 000，最后使用max-min標(biāo)準(zhǔn)化方法映射到[0,1]。肺區(qū)圖像的大小為512*512，大部分為肺區(qū)組織和背景，結(jié)節(jié)只占據(jù)極小的區(qū)域。因此，該文采用切塊的方式縮小樣本大小，以結(jié)節(jié)的標(biāo)注輪廓為中心裁剪成64*64的圖像，得到8 802幅結(jié)節(jié)圖像。結(jié)節(jié)圖像如圖5所示。將結(jié)節(jié)圖像作為正樣本集，按照7∶2∶1的比例分為訓(xùn)練集、驗(yàn)證集和測試集。

圖5 預(yù)處理后的肺結(jié)節(jié)圖像

3.2 數(shù)據(jù)增廣

深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練往往需要大量的數(shù)據(jù)，研究學(xué)者提出了多種數(shù)據(jù)擴(kuò)展方法，如平移、旋轉(zhuǎn)、添加噪聲和翻轉(zhuǎn)等[8,15-16]。為了充分利用擴(kuò)展的數(shù)據(jù)對(duì)本模型進(jìn)行訓(xùn)練，在不改變樣本的大小和質(zhì)量的前提下，以結(jié)節(jié)樣本的橫斷面為基準(zhǔn)，對(duì)上、下、左、右四個(gè)方向分別平移兩個(gè)體素再進(jìn)行90°、180°、270°三個(gè)角度的旋轉(zhuǎn)。經(jīng)過上述操作，訓(xùn)練集擴(kuò)展75倍。隨機(jī)截取等量的無肺結(jié)節(jié)的樣本作為負(fù)樣本集，分別放入訓(xùn)練集、驗(yàn)證集和測試集中。

3.3 模型訓(xùn)練

該文設(shè)計(jì)的模型使用python3.6編寫，使用pytorch1.0作為后端框架。使用Adam優(yōu)化器，網(wǎng)絡(luò)中添加隨機(jī)失活(dropout)，以提升網(wǎng)絡(luò)的收斂速度和泛化性能。模型使用交叉熵?fù)p失函數(shù)，公式如式(3)所示：

J(w,b)=

(3)

3.4 實(shí)驗(yàn)結(jié)果

該文通過計(jì)算FROC(free-response ROC，F(xiàn)ROC)曲線下的競爭性指標(biāo)(competition performance metric，CPM)作為模型性能的評(píng)估標(biāo)準(zhǔn)。FROC曲線的橫坐標(biāo)為平均每個(gè)CT中假陽性樣本的數(shù)量，縱坐標(biāo)為敏感度。CPM選取FROC曲線中7個(gè)具有代表性的點(diǎn)[0.125, 0.25, 0.5, 1, 2, 4, 8]，通過計(jì)算其敏感度均值可以反映模型的綜合查全能力[17]。

模型訓(xùn)練過程中，其損失值在訓(xùn)練集和驗(yàn)證集上的變化曲線如圖6所示。模型完成訓(xùn)練后，在測試集上的準(zhǔn)確率達(dá)到了95.82%，召回率為94.48%，特異度為97.17%，假陽性率為2.83%，AUC值為0.987。FROC曲線如圖7所示，模型的CMP值為0.772。

圖6 模型訓(xùn)練損失

圖7 FROC曲線

3.5 模型對(duì)比與分析

文獻(xiàn)[11]提出的模型，在測試集上的準(zhǔn)確率為92.3%，召回率為92.61%，特異度為92.6%，均低于文中模型。亦與文獻(xiàn)[6,9,10,18]中的方法進(jìn)行了對(duì)比，這四種模型均采用了LIDC數(shù)據(jù)集，對(duì)比實(shí)驗(yàn)結(jié)果如表2所示。

表2 不同模型肺結(jié)節(jié)假陽性篩查CPM指標(biāo)對(duì)比

文獻(xiàn)[11]使用2D圖像進(jìn)行訓(xùn)練，其模型僅通過深度的增加以提高模型的性能，雖然添加了dropout以增強(qiáng)網(wǎng)絡(luò)的泛化能力，但是該模型僅取得了92.3%的準(zhǔn)確率，顯著低于文中取得的95.82%的準(zhǔn)確率。而且文中設(shè)計(jì)的模型，模型參數(shù)數(shù)量顯著低于文獻(xiàn)[11]設(shè)計(jì)的模型。Torres使用傳統(tǒng)的機(jī)器學(xué)習(xí)方法，CMP為0.742[6]。Dobrenkii等采用3D殘差網(wǎng)絡(luò)，首先對(duì)CT圖像進(jìn)行重采樣，然后提取結(jié)節(jié)的VOI(volume of interest)3D樣本，進(jìn)行模型的訓(xùn)練[18]。Dobrenkii設(shè)計(jì)的模型雖然利用了結(jié)節(jié)的三維空間特征，同時(shí)3D網(wǎng)絡(luò)導(dǎo)致模型的參數(shù)量增加，并且網(wǎng)絡(luò)訓(xùn)練前需要進(jìn)行圖像的重采樣，但是該方法的CPM僅為0.735，其表現(xiàn)甚至低于Torres使用的傳統(tǒng)機(jī)器學(xué)習(xí)方法。尤堃等[10]首先對(duì)肺區(qū)進(jìn)行分割，并采用最鄰近插值算法進(jìn)行重采樣提取結(jié)節(jié)的VOI，再設(shè)計(jì)單連接路徑的3D CNN網(wǎng)絡(luò)進(jìn)行模型訓(xùn)練，其CMP值為0.747。文中提出的方法CPM為0.772，高于表3中的前3種方法。高慧明等[9]提出的方法取得了0.827的CPM，但該方法是以訓(xùn)練三個(gè)卷積神經(jīng)網(wǎng)絡(luò)，并對(duì)每個(gè)網(wǎng)絡(luò)的輸出結(jié)果加權(quán)求均值為代價(jià)得到的，相對(duì)于文中方法并沒有顯著性優(yōu)勢。

4 結(jié)束語

提出了一種基于密集神經(jīng)網(wǎng)絡(luò)的肺結(jié)節(jié)假陽性降低方法，用于從大量候選結(jié)節(jié)中篩查真實(shí)結(jié)節(jié)。實(shí)驗(yàn)結(jié)果表明，該方法能夠有效解決肺結(jié)節(jié)檢測系統(tǒng)中候選結(jié)節(jié)篩查階段假陽性高的問題。雖然該方法在計(jì)算量和參數(shù)量上有其優(yōu)勢，但是未能利用結(jié)節(jié)的空間特征。生成式對(duì)抗網(wǎng)絡(luò)(generative adversarial networks，GAN)在圖像生成領(lǐng)域表現(xiàn)出了巨大的優(yōu)勢。因此，在未來的研究工作中，將重點(diǎn)利用GAN進(jìn)行結(jié)節(jié)圖像的數(shù)據(jù)增強(qiáng)，并研究3D密集神經(jīng)網(wǎng)絡(luò)的假陽性篩查模型。